中央極限定理

視覺化入門

中央極限定理（Central Limit Theorem, CLT）告訴我們：無論母體的分佈形狀為何，只要樣本量夠大，樣本平均數的分佈就會趨近常態分佈（鐘形曲線）。以下四段動畫分別從不同的母體分佈出發，視覺化這個驚人的數學事實。

載入中…

CLT 入門：擲骰子示範

從最熟悉的骰子開始——當我們重複擲骰並計算平均值，這些平均值的分佈會逐漸形成鐘形曲線。

載入中…

均勻分佈的 CLT 演示

從完全平坦的均勻分佈出發，觀察樣本平均數如何隨著樣本量增加而逐漸集中成鐘形。

載入中…

指數分佈的 CLT 演示

即使母體分佈高度偏斜（如指數分佈），只要樣本夠大，平均值仍然趨近常態分佈。

載入中…

二項分佈的 CLT 演示

離散的二項分佈，其樣本平均數在大樣本下也會呈現連續的鐘形曲線。

互動模擬

選擇一個母體分佈，調整樣本大小與抽樣次數，然後按「開始模擬」觀察樣本平均數的直方圖。

▬均勻分佈

U(0, 1)：每個值出現機率相同

🔔常態分佈

N(0, 1)：鐘形曲線

📉指數分佈

Exp(1)：右偏分佈

🎯二項分佈

B(10, 0.3)：離散分佈

1200
10010,000

發展歷史

中央極限定理的發展歷經近三百年，從棣莫弗的特殊觀察到林德伯格的通用證明。 點擊時間線上的卡片查看詳細內容。

1733
棣莫弗
Abraham de Moivre

二項分佈的常態近似

1812
拉普拉斯
Pierre-Simon Laplace

推廣至一般分佈

1887
切比雪夫
Pafnuty Chebyshev

動差方法

1901
李雅普諾夫
Aleksandr Lyapunov

Lyapunov 條件與特徵函數方法

1922
林德伯格
Jarl Waldemar Lindeberg

Lindeberg 條件——最通用的古典版本

1935
費勒
William Feller

Lindeberg–Feller 定理

1941
Berry & Esseen
Andrew C. Berry / Carl-Gustav Esseen

收斂速率上界

數學公式

以下是中央極限定理的正式數學陳述。如果你不熟悉符號，下方提供了解釋。

Lindeberg–Lévy 中央極限定理

設 X1,X2,…,Xn 為獨立且同分佈的隨機變數，其期望值 E[Xi]=μ，變異數 Var(Xi)=σ2<∞\text{設 } X_1, X_2, \ldots, X_n \text{ 為獨立且同分佈的隨機變數，其期望值 } E[X_i] = \mu \text{，變異數 } \text{Var}(X_i) = \sigma^2 < \infty
則當 n→∞ 時，Xˉn−μσ/n→dN(0,1)\text{則當 } n \to \infty \text{ 時，} \quad \frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} N(0, 1)

符號說明

  • Xˉn=1n∑i=1nXi\bar{X}_n = \frac{1}{n}\sum_{i=1}^{n} X_i — 樣本平均數
  • μ\mu — 母體平均數（期望值）
  • σ2\sigma^2 — 母體變異數
  • σ/n\sigma / \sqrt{n} — 樣本平均數的標準誤（隨 n 增大而縮小）
  • →d\xrightarrow{d} — 分佈收斂（distribution convergence）
  • N(0,1)N(0, 1) — 標準常態分佈（平均數 0，變異數 1）

白話翻譯：不管原始資料長什麼樣，只要樣本夠大， 「樣本平均數離真實平均數有多遠」的分佈，就會越來越像鐘形曲線。 這就是為什麼常態分佈在統計學中無處不在。

證明

以下使用特徵函數方法證明 Lindeberg–Lévy CLT。點擊每個步驟展開公式與直覺解說。